Medical Transformer：用于三维脑 MRI 分析的通用编码器

基于摘要分析。该研究针对三维医学影像标注数据有限的问题，提出迁移学习框架 Medical Transformer，将三维脑 MRI 体数据建模为二维切片序列，并通过多视图表征和自监督预训练构建可用于多种下游任务的编码器。其主要研究对象是脑 MRI 分析，而非 EEG 解码或 BCI。 方法上，框架利用三维体数据三个平面的信息，以多视图方式增强表征中的空间关系，同时追求参数高效训练。作者使用大规模正常健康脑 MRI 数据，以 masked encoding vector prediction 为代理任务进行自监督预训练，再评估脑疾病诊断、脑龄预测和脑肿瘤分割三类下游任务。摘要未说明掩码策略、编码向量的生成方式、具体损失函数及多视图融合实现，这些机制细节尚未验证。 作者报告，在所评估的三类下游任务中，Medical Transformer 优于所比较的 SOTA 迁移学习方法；分类与回归任务的参数量最多约减少 92%，分割任务最多约减少 97%，并在仅使用部分训练样本时保持良好表现。摘要未提供这些参数缩减对应的具体基线、参数统计范围、任务性能指标或训练样本比例，因此不能据此判断各任务的收益幅度，也不能将参数量缩减直接等同于计算量或推理延迟下降。 复现时需核对预训练及下游数据集、样本规模、数据划分与重叠情况、多视图设计的贡献，以及部分样本实验的抽样协议；实验协议、消融及统计信息尚未验证。该机制依赖三维影像的切片与多平面空间结构，不能直接视为 EEG 或 BCI 的有效方案；现有材料不足以支持具体迁移结论，相关 EEG 工作尚未检索确认。